Pendahuluan
Decision Support System merupakan suatu sistem yang berfungsi sebagai
penunjang keputusan. Dengan adanya DSS, pekerjaan dari para pengambil
keputusan akan lebih terbantu secara signifikan.
Makalah yang kami susun berikut ini menjelaskan suatu database yang biasa
digunakan sebagai pengambil keputusan yaitu data warehouse. Dikarenakan
banyak organisasi atau perusahaan kurang dapat menggunakan database
operasional dalam mendukung secara langsung pengambilan keputusan.
Penyusun sadar dalam penulisan makalah ini terdapat banyak kekurangan, oleh
karena itu, kami menerima saran dan kritik yang membangun agar dikemudian
hari kami dapat menyusun suatu makalah dengan lebih baik lagi.
Jakarta 3 November 2006
Penyusun,
Irfan Gustiarahman
Daftar Isi
Pendahuluan 1
Daftar Isi 2
BAB I 3
Definisi Data Warehouse 3
I.1. Pengertian Data, Informasi dan Database 3
I.2. Pengertian Data Warehouse 4
I.3. Istilah-istilah yang berhubungan dengan data warehouse 5
I.4. Karakteristik Data Warehouse 6
BAB. II 11
Kegunaan Data Warehouse 11
II.1 Perlunya Data Warehouse 11
II.2 Tugas-tugas Data warehouse 11
II.3. Keuntungan Data Warehouse 13
BAB III 14
Membangun Data Warehouse 15
III.1. Menentukan Bentuk Data Warehouse 15
III.2. Anatomi Data Warehouse 15
III.3 Arsitektur dan Infrastruktur Data Warehouse 18
III.4. Struktur Data Warehouse 22
III.5 Metodologi Perancangan Database untuk Data Warehouse 25
III.6. Model untuk Data Warehouse 28
III.6.1. Model Dimensional 28
BAB IV 34
Hubungan Data Warehouse Dengan DSS 34
IV.1. Definisi Decision Support System 35
IV.2. Hubungan antar DSS dengan Data Warehouse 36
IV.3. Contoh Data Warehouse Yang Ada 36
Bab V 36
Kesimpulan dan Penutup 36
V.1. Kesimpulan 36
Daftar Pustaka 37
BAB I
Definisi Data Warehouse
I.1. Pengertian Data, Informasi dan Database
Sebelum kita membahas tentang data warehouse, hal yang harus dipahami
terlebih dahulu yaitu pengertian tentang data,informasi dan database.
Menurut Steven Alter, data merupakan fakta,gambar atau suara yang
mungkin atau tidak berhubungan atau berguna bagi tugas tertentu.
Menurut McLeod, data terdiri dari fakta-fakta dan angka yang secara
relatif tidak berarti bagi pemakai. Sedangkan informasi adalah data yang
sudah diproses atau data yang memiliki arti.
Disini kita dapat melihat bahwa data merupakan suatu bentuk keterangan-
keterangan yang belum diolah atau dimanipulasi sehingga belum begitu
berarti bagi sebagian pemakai. Sedangkan informasi merupakan data yang
sudah di olah sehingga memiliki arti.
Menurut James A. O'Brien Database adalah suatu koleksi terintegrasi
dimana secara logika berhubungan dengan record dari file.
Menurut Fatansyah, Database adalah kumpulan data yang saling
berhubungan yang disimpan secara bersama sedemikian rupa dan tanpa
pengulangan(redudansi) yang tidak perlu, untuk memenuhi berbagai kebutuhan.
Jadi Database adalah tempat penyimpanan data yang saling berhubungan
secara logika, sehingga bisa digunakan untuk mendapatkan suatu informasi
yang diperlukan oleh suatu organisasi atau perusahaan.
Sedangkan data yang diperoleh suatu organisasi atau perusahaan umumnya
didapat dari kegiatan operasional sehari-hari atau hasil dari transaksi.
Dari perkembangan model database, muncullah apa yang disebut dengan
data warehouse.
I.2. Pengertian Data Warehouse
Pengertian Data Warehouse dapat bermacam-macam namun mempunyai inti
yang sama, seperti pendapat beberapa ahli berikut ini :
Menurut W.H. Inmon dan Richard D.H., data warehouse adalah koleksi data
yang mempunyai sifat berorientasi subjek,terintegrasi,time-variant, dan
bersifat tetap dari koleksi data dalam mendukung proses pengambilan
keputusan management.
Menurut Vidette Poe, data warehouse merupakan database yang bersifat
analisis dan read only yang digunakan sebagai fondasi dari sistem penunjang
keputusan.
Menurut Paul Lane, data warehouse merupakan database relasional yang
didesain lebih kepada query dan analisa dari pada proses transaksi,
biasanya mengandung history data dari proses transaksi dan bisa juga data
dari sumber lainnya. Data warehouse memisahkan beban kerja analisis dari
beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi
data dari berbagai macam sumber.
Jadi, data warehouse merupakan metode dalam perancangan database, yang
menunjang DSS(Decission Support System) dan EIS (Executive Information
System). Secara fisik data warehouse adalah database, tapi perancangan data
warehouse dan database sangat berbeda. Dalam perancangan database
tradisional menggunakan normalisasi, sedangkan pada data warehouse
normalisasi bukanlah cara yang terbaik.
Dari definisi-definisi yang dijelaskan tadi, dapat disimpulkan data
warehouse adalah database yang saling bereaksi yang dapat digunakan untuk
query dan analisisis, bersifat orientasi subjek, terintegrasi, time-
variant,tidak berubah yang digunakan untuk membantu para pengambil
keputusan.
I.3. Istilah-istilah yang berhubungan dengan data warehouse
Istilah-istilah yang berkaitan dengan data warehouse :
1. Data Mart
Adalah suatu bagian pada data warehouse yang mendukung pembuatan
laporan dan analisa data pada suatu unit, bagian atau operasi pada
suatu perusahaan.
2. On-Line Analytical Processing(OLAP)
Merupakan suatu pemrosesan database yang menggunakan tabel fakta dan
dimensi untuk dapat menampilkan berbagai macam bentuk laporan,
analisis, query dari data yang berukuran besar.
3. On-Line Transaction Processing(OLTP)
Merupakan suatu pemrosesan yang menyimpan data mengenai kegiatan
operasional transaksi sehari-hari.
4. Dimension Table
Tabel yang berisikan kategori dengan ringkasan data detail yang dapat
dilaporkan. Seperti laporan laba pada tabel fakta dapat dilaporkan
sebagai dimensi waktu(yang berupa perbulan, perkwartal dan pertahun).
5. Fact Table
Merupakan tabel yang umumnya mengandung angka dan data history dimana
key (kunci) yang dihasilkan sangat unik, karena key tersebut terdiri
dari foreign key(kunci asing) yang merupakan primary key (kunci utama)
dari beberapa dimension table yang berhubungan.
6. DSS
Merupakan sistem yang menyediakan informasi kepada pengguna yang
menjelaskan bagaimana sistem ini dapat menganalisa situasi dan
mendukung suatu keputusan yang baik.
I.4. Karakteristik Data Warehouse
Karakteristik data warehouse menurut Inmon, yaitu :
1. Subject Oriented (Berorientasi subject)
Data warehouse berorientasi subject artinya data warehouse didesain
untuk menganalisa data berdasarkan subject-subject tertentu dalam
organisasi, bukan pada proses atau fungsi aplikasi tertentu.
Data warehouse diorganisasikan disekitar subjek-subjek utama dari
perusahaan(customers,products dan sales) dan tidak diorganisasikan
pada area-area aplikasi utama (customer invoicing,stock control dan
product sales). Hal ini dikarenakan kebutuhan dari data warehouse
untuk menyimpan data-data yang bersifat sebagai penunjang suatu
keputusan, dari pada aplikasi yang berorientasi terhadap data.
Jadi dengan kata lain, data yang disimpan adalah berorientasi kepada
subjek bukan terhadap proses. Secara garis besar perbedaan antara data
operasional dan data warehouse yaitu :
"Data Operasional "Data Warehouse "
"Dirancang berorientasi hanya "Dirancang berdasar pada "
"pada aplikasi dan fungsi "subjek-subjek tertentu(utama) "
"tertentu " "
"Focusnya pada desain database"Focusnya pada pemodelan data "
"dan proses "dan desain data "
"Berisi rincian atau detail "Berisi data-data history yang "
"data "akan dipakai dalam proses "
" "analisis "
"Relasi antar table berdasar "Banyak aturan bisnis dapat "
"aturan terkini(selalu "tersaji antara tabel-tabel "
"mengikuti rule(aturan) " "
"terbaru) " "
2. Integrated (Terintegrasi)
Data Warehouse dapat menyimpan data-data yang berasal dari sumber-
sumber yang terpisah kedalam suatu format yang konsisten dan saling
terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa
dipecah-pecah karena data yang ada merupakan suatu kesatuan yang
menunjang keseluruhan konsep data warehouse itu sendiri.
Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara
sepeti konsisten dalam penamaan variable,konsisten dalam ukuran
variable,konsisten dalam struktur pengkodean dan konsisten dalam
atribut fisik dari data.
Contoh pada lingkungan operasional terdapat berbagai macam aplikasi
yang mungkin pula dibuat oleh developer yang berbeda. Oleh karena itu,
mungkin dalam aplikasi-aplikasi tersebut ada variable yang memiliki
maksud yang sama tetapi nama dan format nya berbeda. Variable tersebut
harus dikonversi menjadi nama yang sama dan format yang disepakati
bersama. Dengan demikian tidak ada lagi kerancuan karena perbedaan
nama, format dan lain sebagainya. Barulah data tersebut bisa
dikategorikan sebagai data yang terintegrasi karena kekonsistenannya.
3. Time-variant (Rentang Waktu)
Seluruh data pada data warehouse dapat dikatakan akurat atau valid
pada rentang waktu tertentu. Untuk melihat interval waktu yang
digunakan dalam mengukur keakuratan suatu data warehouse, kita dapat
menggunakan cara antara lain :
Cara yang paling sederhana adalah menyajikan data warehouse
pada rentang waktu tertentu, misalnya antara 5 sampai 10 tahun
ke depan.
Cara yang kedua, dengan menggunakan variasi/perbedaan waktu
yang disajikan dalam data warehouse baik implicit maupun
explicit secara explicit dengan unsur waktu dalam hari, minggu,
bulan dsb. Secara implicit misalnya pada saat data tersebut
diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur
waktu akan tetap ada secara implisit didalam data tersebut.
Cara yang ketiga,variasi waktu yang disajikan data warehouse
melalui serangkaian snapshot yang panjang. Snapshot merupakan
tampilan dari sebagian data tertentu sesuai keinginan pemakai
dari keseluruhan data yang ada bersifat read-only.
4. Non-Volatile
Karakteristik keempat dari data warehouse adalah non-
volatile,maksudnya data pada data warehouse tidak di-update secara
real time tetapi di refresh dari sistem operasional secara reguler.
Data yang baru selalu ditambahkan sebagai suplemen bagi database itu
sendiri dari pada sebagai sebuah perubahan. Database tersebut secara
kontinyu menyerap data baru ini, kemudian secara incremental disatukan
dengan data sebelumnya.
Berbeda dengan database operasional yang dapat melakukan update,insert
dan delete terhadap data yang mengubah isi dari database sedangkan
pada data warehouse hanya ada dua kegiatan memanipulasi data yaitu
loading data (mengambil data) dan akses data (mengakses data warehouse
seperti melakukan query atau menampilan laporan yang dibutuhkan, tidak
ada kegiatan updating data).
BAB. II
Kegunaan Data Warehouse
II.1 Perlunya Data Warehouse
Seperti pengertian-pengertian yang kita sebutkan sebelumnya, data
warehouse diperlukan bagi para pengambil keputusan manajemen dari suatu
organisasi/perusahaan.
Dengan adanya data warehouse, akan mempermudah pembuatan aplikasi-
aplikasi DSS dan EIS karena memang kegunaan dari data warehouse adalah
khusus untuk membuat suatu database yang dapat digunakan untuk mendukung
proses analisa bagi para pengambil keputusan.
II.2 Tugas-tugas Data warehouse
Ada empat tugas yang bisa dilakukan dengan adanya data warehouse
Menurut Williams, keempat tugas tersebut yaitu:
a. Pembuatan laporan
Pembuatan laporan merupakan salah satu kegunaan data warehouse yang
paling umum dilakukan. Dengan menggunakan query sederhana didapatkan
laporan perhari,perbulan, pertahun atau jangka waktu kapanpun yang
diinginkan.
b. On-Line Analytical Processing (OLAP)
Dengan adanya data warehouse,semua informasi baik detail maupun hasil
summary yang dibutuhkan dalam proses analisa mudah didapat.
OLAP mendayagunakan konsep data multi dimensi dan memungkinkan para
pemakai menganalisa data sampai mendetail, tanpa mengetikkan satupun
perintah SQL. Hal ini dimungkinkan karena pada konsep multi dimensi,
maka data yang berupa fakta yang sama bisa dilihat dengan menggunakan
fungsi yang berbeda. Fasilitas lain yang ada pada sofware OLAP adalah
fasilitas rool-up dan drill-down. Drill-down adalah kemampuan untuk
melihat detail dari suatu informasi dan roll-up adalah kebalikannya.
c. Data mining
Data mining merupakan proses untuk menggali(mining) pengetahuan dan
informasi baru dari data yang berjumlah banyak pada data warehouse,
dengan menggunakan kecerdasan buatan (Artificial Intelegence),
statistik dan matematika. Data mining merupakan teknologi yang
diharapkan dapat menjembatani komunikasi antara data dan pemakainya.
Beberapa solusi yang diberikan data mining antara lain :
1. Menebak target pasar
Data mining dapat mengelompokkan (clustering) model-model pembeli
dan melakukan klasifikasi terhadap setiap pembeli dan melakukan
klasifikasi terhadap setiap pemebeli sesuai dengan karakteristik
yang diinginkan.
2. Melihat pola beli dari waktu ke waktu
Data mining dapat digunakan untuk melihat pola beli dari waktu ke
waktu.
3. cross-market analysis
Data mining dapat dimanfaatkan untuk melihat hubungan antara satu
produk dengan produk lainnya.
4. Profil pelanggan
Data mining bisa membantu pengguna untuk melihat profil pembeli
sehingga dapat diketahui kelompok pembeli tertentu cenderung kepada
suatu produk apa saja.
5. Informasi summary
Data mining dapat membuat laporan summary yang bersifat multi
dimensi dan dilengkapi dengan informasi statistik lainnya.
d. Proses informasi executive
Data warehouse dapat membuat ringkasan informasi yang penting dengan
tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan
data. Dengan menggunakan data warehouse segala laporan telah diringkas
dan dapat pula mengetahui segala rinciannya secara lengkap, sehingga
mempermudah proses pengambilan keputusan. Informasi dan data pada
laporan data warehouse menjadi target informative bagi user.
II.3. Keuntungan Data Warehouse
Data warehouse merupakan pendekatan untuk menyimpan data dimana
sumber-sumber data yang heterogen(yang biasanya tersebar pada beberapa
database OLTP) dimigrasikan untuk penyimpanan data yang homogen dan
terpisah. Keuntungan yang didapatkan dengan menggunakan data warehouse
tersebut dibawah ini (Ramelho).
Data diorganisir dengan baik untuk query analisis dan sebagai
bahan untuk pemrosesan transaksi.
Perbedaan diantara struktur data yang heterogen pada beberapa
sumber yang terpisah dapat diatasi.
Aturan untuk transformasi data diterapkan untuk memvalidasi dan
mengkonsolidasi data apabila data dipindahkan dari database OLTP ke
data warehouse.
Masalah keamanan dan kinerja bisa dipecahkan tanpa perlu mengubah
sistem produksi.
Membangun data warehouse tentu saja memberikan keuntungan lebih bagi suatu
perusahaan, karena data warehouse dapat memberikan keuntungan strategis
pada perusahaan tersebut melebihi pesaing-pesaing mereka. Keuntungan
tersebut diperoleh dari beberapa sumber (Sean Nolan,Tom Huguelet):
Kemampuan untuk mengakses data yang besar
Kemampuan untuk memiliki data yang konsistent
Kemampuan kinerja analisa yang cepat
Mengetahui adanya hasil yang berulang-ulang
Menemukan adanya celah pada business knowledge atau business process.
Mengurangi biaya administrasi
Memberi wewenang pada semua anggota dari perusaahan dengan
menyediakan kepada mereka informasi yang dibutuhkan agar kinerja bisa
lebih efektif.
BAB III
Membangun Data Warehouse
III.1. Menentukan Bentuk Data Warehouse
Data warehouse memiliki berbagai macam bentuk yang sering digunakan.
Jadi sebelum membangun suatu data warehouse kita harus memutuskan bentuk
data warehouse seperti apa yang dibutuhkan oleh aplikasi yang kita rancang.
III.2. Anatomi Data Warehouse
Penerapan awal dari arsitektur data warehouse dibuat berdasarkan
konsep bahwa data warehouse mengambil data dari berbagai sumber dan
memindahkannya ke dalam pusat pengumpulan data yang besar. Konsep ini
sebenarnya lebih cenderung kepada sebuah lingkungan mainframe yang
terpusat.
Keunggulan teknologi Client Server memungkinkan data warehouse
diterapkan dalam berbagai macam cara untuk menampung kebutuhan pemakai
sistem secara lebih proposional. Dalam suatu kasus, misalkan saja pemakai
tertentu perlu menggabungkan data dari sebuah sistem pengumpulan data yang
statis dengan data dari sistem operasional yang dinamis hanya dengan sebuah
query saja.
Berikut ini adalah tiga jenis dasar sistem Data Warehouse :
1. Functional Data Warehouse (Data Warehouse Fungsional)
Kata operasional disini merupakan database yang diperoleh dari
kegiatan sehari-hari. Data warehouse dibuat lebih dari satu dan
dikelompokkan berdasar fungsi-fungsi yang ada di dalam perusahaan
seperti fungsi keuangan(financial),marketing,personalia dan lain-lain.
Keuntungan dari bentuk data warehouse seperti ini adalah, sistem
mudah dibangun dengan biaya relatif murah sedangkan kerugiannya adalah
resiko kehilangan konsistensi data dan terbatasnya kemampuan dalam
pengumpulan data bagi pengguna.
2. Centralized Datawarehouse (Data Warehouse Terpusat)
Bentuk ini terlihat seperti bentuk data warehouse fungsional, namun
terlebih dahulu sumber data dikumpulkan dalam satu tempat terpusat,
kemudian data disebar ke dalam fungsinya masing-masing, sesuai
kebutuhan persuhaan. Data warehouse terpusat ini, biasa digunakan oleh
perusahaan yang belum memiliki jaringan eksternal.
Keuntungan dari bentuk ini adalah data benar-benar terpadu karena
konsistensinya yang tinggi sedang kerugiannya adalah biaya yang mahal
serta memerlukan waktu yang cukup lama untuk membangunnya.
3. Distributed Data Warehouse (Data Warehouse terdistribusi)
Pada data warehouse terdistribusi ini, digunakan gateway yang
berfungsi sebagai jembatan penghubung antara data warehouse dengan
workstation yang menggunakan sistem beraneka ragam. Dengan sistem
terdistribusi seperti ini memungkinkan perusahaan dapat mengakses
sumber data yang berada diluar lokasi perusahaan(eksternal).
Keuntungannya adalah data tetap konsisten karena sebelum data
digunakan data terlebih dahulu di sesuaikan atau mengalami proses
sinkronisasi. Sedangkan kerugiannya adalah lebih kompleks untuk
diterapkan karena sistem operasi dikelola secara terpisah juga biaya
nya yang paling mahal dibandingkan dengan dua bentuk data warehouse
lainnya.
III.3 Arsitektur dan Infrastruktur Data Warehouse
III.3.1. Arsitekur Data Warehouse
Menurut Poe, arsitektur adalah sekumpulan atau struktur yang
memberikan kerangka untuk keseluruhan rancangan suatu sistem atau
produk. Ada arsitektur client-server,arsitektur networking dan
masih banyak arsitektur lainnya. Arsitektur data menyediakan kerangka
dengan mengidentifikasikan dan memahami bagaimana data akan pindah
melalui sistem dan digunakan dalam perusahaan. Arsitektur data untuk
data warehouse mempunyai komponen utama yaitu read-only database.
Karakterisitik arsitektur data warehouse (Poe) :
1. Data diambil dari sistem asal (sistem informasi yang ada),
database dan file.
2. Data dari sistem asal diintegrasikan dan ditransformasi sebelum
disimpan ke dalam Database Management System (DBMS) seperti
Oracle,Ms SQL Server, Sybase dan masih banyak yang lainnya.
3. Data warehouse merupakan sebuah database terpisah bersifat
hanya dapat dibaca yang dibuat khusus untuk mendukung
pengambilan keputusan
4. Pemakai mengakses data warehouse melalui aplikasi front end
tool
Arsitektur dan komponen utama dari data warehouse dapat dilihat
pada gambar berikut ini :
Sumber : Conolly,T.M.,Begg
a. Operational Data
Sumber data dari data warehouse dapat diambil langsung dari
mainframe, basis data relasional seperti Oracle, Ms SQL server dan
sebagainya. Selain itu dapat melaluo Operational Data Source(ODS). ODS
menampung data yang diekstrak dari sistem utama atau sumber-sumber
data yang ada dan kemudian data hasil ekstrasi tersebut dibersihkan.
b. Load manager
Load manager juga disebut sebagai komponen front-end yang
bertugas melakukan seluruh operasi yang berhubungan dengan ekstrasi
dan me-load data ke warehouse.
c. Warehouse Manager
Warehouse manager melakukan seluruh operasi-operasi yang
berhubungan dengan kegiatan manajemen data di dalam warehouse. Operasi-
operasi tersebut meliputi :
Analisis terhadap data untuk memastikan konsistensi
Transformasi dan penggabungan sumber data dari tempat
penyimpanan sementara menjadi tabel-tabel data warehouse.
Penciptaan indeks-indeks dan view berdasarkan tabel-tabel dasar
Melakukan denormalisasi dan agregasi jika diperlukan
Backing-Up dan mengarsipkan data
d. Query manager
Query manager juga disebut komponen back-end, melakukan operasi-
operasi yang berhubungan dengan manajemen user queries. Operasi-
operasi yang dilakukan oleh komponen ini termasuk mengarahkan query
kepada tabel-tabel yang tepat dan menjadwalkan eksekusi dari query
tersebut.
e. End-user Access Tools
Prinsip atau tujuan utama dari dibangunnya data warehouse adalah
untuk menyediakan informasi bisnis kepada user-user untuk dapat
melakukan pengambilan keputusan secara cepat dan tepat.User ini
berinteraksi dengan warehouse melalui end-user access tools. Data
warehouse harus secara efisien mendukung secara khusus kebutuhan user
serta secara rutin melakukan analisis. Performa yang baik dapat
dicapai dengan merencanakan dahulu keperluan-keperluan untuk melakukan
joins,summations dan laporan-laporan per periode dengan end-users.
Berdasarkan kategori yang dikemukakan oleh Berson dan Smith
terdapat lima grup utama dari tools tersebut, antara lain :
1. Reporting and query tools
2. Application development tools
3. Executive information System (EIS) tools
4. Online Analytical Processing (OLAP) tools
5. Data mining tools
Arsitektur dan infrastruktur dari data warehouse sangat erat
hubungannya dan satu dengan lainnya saling berkaitan.
III.3.2. Infrastruktur Data Warehouse
Infrastruktur data warehouse adalah software, hardware, pelatihan
dan komponen-komponen lainnya yang memberikan dukungan yang dibutuhkan
untuk mengimplementasikan data warehouse(Poe).
Salah satu instrumen yang mempengaruhi keberhasilan pengembangan
data warehouse adalah pengidentifikasian arsitektur mana yang terbaik
dan infrasruktur apa yang dibutuhkan. Arsitektur yang sama, mungkin
memerlukan infrastruktur yang berbeda, tergantung pada lingkunan
perusahaan ataupun organisasi.
III.4. Struktur Data Warehouse
Seperti yang kita lihat sebelumnya pada arsitektur data warehouse,
ada beberapa struktur yang spesifik terdapat pada bagian warehouse
manager. Bagian tersebut merupakan struktur data warehouse.
Menurut Poe, Vidette, data warehouse memiliki struktur yang spesifik
dan mempunyai perbedaan dalam tingkatan detail data dan umur data.
Komponen dari struktur data warehouse adalah:
Current detail data
Current detail data merupakan data detil yang aktif saat
ini,mencerminkan keadaan yang sedang berjalan dan merupakan level
terendah dalam data warehouse. Didalam area ini warehouse menyimpan
seluruh detail data yang terdapat pada skema basis data. Jumlah data
sangat besar sehingga memerlukan storage yang besar pula dan dapat
diakses secara cepat. Dampak negatif yang ditimbulkan adalah kerumitan
untuk mengatur data menjadi meningkat dan biaya yang diperlukan
menjadi mahal.
Berikut ini beberapa alasan mengapa current detail data menjadi
perhatian utama :
1. Menggambarkan kejadian yang baru terjadi dan selalu menjadi
perhatian utama
2. Sangat banyak jumlahnya dan disimpan pada tingkat
penyimpanan terendah.
3. Hampir selalu disimpan dalam storage karena cepat di akses
tetapi mahal dan kompleks dalam pengaturannya.
4. Bisa digunakan dalam membuat rekapitulasi sehingga current
detail data harus akurat.
Older detail data
Data ini merupakan data historis dari current detail data,
dapat berupa hasil cadangan atau archive data yang disimpan
dalam storage terpisah. Karena bersifat back-up(cadangan), maka
biasanya data disimpan dalam storage alternatif seperti tape-
desk.
Data ini biasanya memilki tingkat frekuensi akses yang
rendah. Penyusunan file atau directory dari data ini di susun
berdasarkan umur dari data yang bertujuan mempermudah untuk
pencarian atau pengaksesan kembali.
Lighlty summarized data
Data ini merupakan ringkasan atau rangkuman dari current
detail data. Data ini dirangkum berdasar periode atau dimensi
lainnya sesuai dengan kebutuhan.
Ringkasan dari current detail data belum bersifat total
summary.Data-data ini memiliki detil tingkatan yang lebih tinggi
dan mendukung kebutuhan warehouse pada tingkat departemen.
Tingkatan data ini di sebut juga dengan data mart. Akses
terhadap data jenis ini banyak digunakan untuk view suatu
kondisi yang sedang atau sudah berjalan.
Highly summarized data
Data ini merupakan tingkat lanjutan dari Lightly summarized
data, merupakan hasil ringkasan yang bersifat totalitas, dapat
di akses misal untuk melakukan analisis perbandingan data
berdasarkan urutan waktu tertentu dan analisis menggunakan data
multidimensi.
Metadata
Metadata bukan merupakan data hasil kegiatan seperti keempat
jenis data diatas. Menurut Poe, metadata adalah 'data tentang
data' dan menyediakan informasi tentang struktur data dan
hubungan antara struktur data di dalam atau antara
storage(tempat penyimpanan data).
Metadata berisikan data yang menyimpan proses perpindahan
data meliputi database structure,contents,detail data dan
summary data, matrics,versioning, aging criteria,versioning,
transformation criteria. Metadata khusus dan memegang peranan
yang sangat penting dalam data warehouse.
Metadata sendiri mengandung :
Struktur data
Sebuah direktori yang membantu user untuk melakukan analisis
Decission Support System dalam pencarian letak/lokasi dalam
data warehouse.
Algoritma
Algoritma digunakan untuk summary data. Metadata sendiri
merupakan panduan untuk algoritma dalam melakukan pemrosesan
summary data antara current detail data dengan lightly
summarized data dan antara lightly summarized data dengan
hightly summaried data.
Mapping
Sebagai panduan pemetaan(mapping) data pada saat data di
transform/diubah dari lingkup operasional menjadi lingkup
data warehouse.
III.5 Metodologi Perancangan Database untuk Data Warehouse
Menurut Kimball ada sembilan tahap metodologi dalam perancangan
database untuk data warehouse, yaitu :
Langkah 1 : Pemilihan proses
Data mart yang pertama kali dibangun haruslah data mart yang
dapat dikirim tepat waktu dan dapat menjawab semua pertanyaan
bisnis yang penting
Pilihan terbaik untuk data mart yang pertama adalah yang
berhubungan dengan sales, misal property sales, property
leasing,property advertising.
Langkah 2 : Pemilihan sumber
Untuk memutuskan secara pasti apa yang diwakili atau
direpresentasikan oleh sebuah tabel fakta.
Misal, jika sumber dari sebuah tabel fakta properti sale
adalah properti sale individual maka sumber dari sebuah
dimensi pelanggan berisi rincian pelanggan yang membeli
properti utama
Langkah 3 : Mengidentifikasi dimensi
Set dimensi yang dibangun dengan baik, memberikan
kemudahan untuk memahami dan menggunakan data mart
Dimensi ini penting untuk menggambarkan fakta-fakta yang
terdapat pada tabel fakta
Misal, setiap data pelanggan pada tabel dimensi pembeli
dilengkapi dengan
id_pelanggan,no_pelanggan,tipe_pelanggan,tempat_tinggal,
dan lain sebagainya.
Jika ada dimensi yang muncul pada dua data mart,kedua data
mart tersebut harus berdimensi sama,atau paling tidak salah
satunya berupa subset matematis dari yang lainnya.
Jika sebuah dimensi digunakan pada dua data mart atau
lebih,dan dimensi ini tidak disinkronisasi,maka keseluruhan
data warehouse akan gagal, karena dua data mart tidak bisa
digunakan secara bersama-sama
Langkah 4 : Pemilihan fakta
Sumber dari sebuah tabel fakta menentukan fakta mana yang
bisa digunakan dalam data mart.
Semua fakta harus diekspresikan pada tingkat yang telah
ditentukan oleh sumber
Langkah 5 : Menyimpan pre-kalkulasi di tabel fakta
Hal ini terjadi apabila fakta kehilangan statement
Langkah 6 : Melengkapi tabel dimensi
Pada tahap ini kita menambahkan keterangan selengkap-
lengkapnya pada tabel dimensi
Keterangannya harus bersifat intuitif dan mudah dipahami
oleh pengguna
Langkah 7 : Pemilihan durasi database
Misalnya pada suatu perusahaan asuransi, mengharuskan data
disimpan selama 10 tahun atau lebih
Langkah 8 : Menelusuri perubahan dimensi yang perlahan
Ada tiga tipe perubahan dimensi yang perlahan, yaitu :
o Tipe 1. Atribut dimensi yang telah berubah tertulis
ulang
o Tipe 2. Atribut dimensi yang telah berubah
menimbulkan sebuah dimensi baru
o Tipe 3. Atribut dimensi yang telah berubah
menimbulkan alternatif sehingga nilai atribut lama
dan yang baru dapat diakses secara bersama pada
dimensi yang sama.
Langkah 9 : Menentukan prioritas dan mode query
Pada tahap ini kita menggunakan perancangan fisik.
Dengan langkah-langkah tadi, seharusnya kita bisa membangun
sebuah data warehouse yang baik.
III.6. Model untuk Data Warehouse
Berikut di bawah ini adalah penjelasan dari model untuk data
warehouse
III.6.1. Model Dimensional
Model dimensional merupakan rancangan logikal yang bertujuan
untuk menampilkan data dalam bentuk standar dan intuitif yang
memperbolehkan akses dengan performa yang tinggi.
Model dimensional menggunakan konsep model hubungan antar entity
(ER) dengan beberapa batasan yang penting. Setiap model dimensi
terdiri dari sebuah tabel dengan sebuah komposit primary key,
disebut dengan table fakta, dan satu set table yang lebih kecil
disebut table dimensi. Setiap table dimensi memiliki sebuah simple
primary key yang merespon tepat pada satu komponen primary key pada
tabel fakta. Dengan kata lain primary key pada table fakta terdiri
dari dua atau lebih foreign key. Struktur karakteristik ini disebut
dengan skema bintang atau join bintang.
Fitur terpenting dalam model dimensional ini adalah semua
natural keys diganti dengan kunci pengganti(surrogate keys).
Maksudnya yaitu setiap kali join antar table fakta dengan table
dimensi selalu didasari kunci pengganti. Kegunaan dari kunci
pengganti adalah memperbolehkan data pada data warehouse untuk
memiliki beberapa kebebasan dalam penggunaan data, tidak seperti
halnya yang diproduksi oleh sistem OLTP.
Sebuah sistem OLTP memerlukan normalisasi untuk mengurangi
redudansi, validasi untuk input data, mendukung volume yang besar
dari transaksi yang bergerak sangat cepat. Model OLTP sering
terlihat seperti jaring laba-laba yang terdiri atas ratusan bahkan
ribuan tabel sehingga sulit untuk dimengerti.
Sebaliknya, dimension model yang sering digunakan pada data
warehouse adalah skema bintang atau snowflake yang mudah dimengerti
dan sesuai dengan kebutuhan bisnis, mendukung query sederhana dan
menyediakan performa query yang superior dengan meminimalisasi tabel-
tabel join. Berikut contoh perbandingan diagram antara model data
OLTP dengan dimension table data warehouse :
Model data OLTP
Dimension Model
III.6.2.1. Schema Bintang
Skema bintang merupakan struktuk logikal yang memiliki tabel fakta
yang terdiri atas data faktual ditengahnya, dan dikelilingi oleh tabel-
tabel dimensi yang berisi referensi data.
Jenis-jenis Skema Bintang
1. Skema bintang sederhana
Dalam skema ini, setiap table harus memiliki primary key
yang terdiri dari satu kolom atau lebih.
Primary key dari table fakta terdiri dari satu atau lebih
foreign key.Foreign key merupakan primary key pada table
lain.
2. Skema bintang dengan banyak table fakta
Skema bintang juga bisa terdiri dari satu atau lebih table
fakta. Dikarenakan karena table fakta tersebut ada banyak,
misalnya disamping penjualan terdapat table fakta forecasting
dan result. Walaupun terdapat lebih dari satu table fakta,
mereka tetap menggunakan table dimensi bersama-sama.
Adapun ketentuan dalam pembacaan skema bintang adalah :
Bagian yang ada di bawah judul tabel merupakan kolom-kolom
tabel tersebut
Primary key dan Foreign key diberi kotak
Primary key diarsir sedang Foreign key yang bukan primary
tidak
Foreign key yang berhubungan ditunjukkan dengan garis yang
menghubungkan tabel.
Kolom yang bukan kunci disebut kolom data pada table fakta
dan atribut pada table dimensi
III.6.2.3 Snowflake Schema
Merupakan varian dari skema bintang dimana table-table dimensi
tidak terdapat data yang di denormalisasi. Dengan kata lain satu
atau lebih table dimensi tidak bergabung secara langsung kepada
table fakta tapi pada table dimensi lainnya. Sebagai contoh,
sebuah dimensi yang mendeskripsikan produk dapat dipisahkan
menjadi tiga table (snowflaked) seperti contoh dibawah ini :
Snowflake Schemes
III.6.2.4. Star atau Snowflake
Keduanya merupakan model-model dimensional, perbedaannya
terletak pada implementasi fisikal. Skema snowflake memberi
kemudahan pada perawatan dimensi, dikarenakan strukturnya yang
lebih normalisasi. Sedangkan skema bintang lebih efisien serta
sederhana dalam membuat query dan mudah diakses secara langsung
oleh pengguna.
Adapun starflake merupakan gabungan diantara keduanya.
Keuntungan menggunakan masing-masing model tersebut dalam data
warehouse antara lain :
Efisien dalam hal mengakses data
Dapat beradaptasi terhadap kebutuhan-kebutuhan user
Bersifat fleksibel terhadap perubahan yang terjadi
khususnya perubahan yang mengarah pada perkembangan
Memiliki kemampuan dalam memodelkan situasi bisnis secara
umum
Meskipun skema yang dihasilkan sangat kompleks, tetapi
pemrosesan query dapat diperkirakan, hal ini dikarenakan
pada level terendah, setiap table fakta harus di query
secara independen.
BAB IV
Hubungan Data Warehouse Dengan DSS
IV.1. Definisi Decision Support System
Istilah dari decision support system telah digunakan dengan banyak cara
(Alter 1980) dan menerima banyak definisi yang berbeda menurut pandangan
dari sang penulis (Druzdzel dan Flynn 1999). Finlay (1994) dan lainnya
mendefiniskan DSS kurang lebih sebagai sebuah sistem berbasis komputer yang
membantu dalam proses pengambilan keputusan.
Turban (1995) mendefinisikan secara lebih spesifik dengan, sesuatu yang
interaktif,flexible dan dapat menyesuaikan diri(adaptable) dari sistem
informasi berdasarkan komputer, khususnya pengembangan untuk mendukung
pemecahan masalah dari non-struktur management, untuk meningkatkan
pengambilan keputusan. Dengan menggunakan data, mendukung antar muka yang
mudah digunakan dan memberikan wawasan untuk sang pengambil keputusan.
Definisi lainnya bisa jadi gugur dibandingkan dengan dua pandangan
ekstrim berikut, Keen dan Scott Morton (1978), DSS adalah dukungan berdasar
kan komputer untuk para pengambil keputusan management yang berurusan
dengan masalah semi-struktur. Sprague dan Carlson (1982), DSS adalah
sistem berdasarkan komputer interaktif yang membantu para pengambil
keputusan menggunakan data dan model-model untuk memecahkan masalah yang
tak terstruktur(unstructured problem). Menurut Power (1997), istilah DSS
mengingatkan suatu yang berguna dan istilah inklusif untuk banyak jenis
sistem informasi yang mendukung pembuatan pengambilan keputusan. Dia dengan
penuh humor menambahkan bahwa jika suatu sistem komputer yang bukan OLTP,
seseorang akan tergoda untuk menyebutnya sebagai DSS.
Seperti yang kita lihat, DSS memiliki banyak arti dengan maksud yang
kurang lebih hampir sama, yaitu suatu sistem komputer yang berguna bagi
para pengambil keputusan untuk memecahkan masalah mereka yang kurang lebih
berhadapan dengan masalah non-struktur atau semi-struktur.
IV.2. Hubungan antar DSS dengan Data Warehouse
Setelah kita lihat dan selami tentang data warehouse, kita dapat
menyimpulkan bahwa data warehouse adalah sebuah model database yang berguna
untuk menyimpan dan memproses data dengan pendekatan kepada kegunaan data
dalam pengambilan keputusan bagi EIS atau DSS.
Sebuah DSS (tergantung dengan yang disupport-nya)membutuhkan data
warehouse agar dapat menjalankan kerjanya dengan baik. Dan memang data
warehouse sendiri dibangun untuk memenuhi kebutuhan DSS.
IV.3. Contoh Data Warehouse Yang Ada
Contoh dari data warehouse yang digunakan bersamaan dengan DSS,
misalkan saja pegawai peminjaman bank memverikasi data peminta pinjaman
atau suatu perusahaan engineer melakukan tawar menawar dalam beberapa
project dan ingin tahu jika dia bisa kompetitive dalam harga terhadap para
pesaingnya.
Contoh yang lain masih lebih banyak lagi, yang kesemuanya membutuhkan
kecepatan dalam pengambilan keputusan dan kemudahan dalam penggunaannya.
Bab V
Kesimpulan dan Penutup
V.1. Kesimpulan
Data warehouse merupakan suatu cara/metode dari suatu database yang
berorientasi kepada subjek, non-volatile, time-variance dan terintegrasi
yang digunakan untuk mempermudah para pengambil keputusan dalam
memecahkan masalah.
Keberadaan data warehouse sangat penting sebagai tools dari DSS,
karena data warehouse memang digunakan untuk itu. Dengan adanya data
warehouse, diharapkan suatu perusahaan dapat lebih unggul dari
kompetitornya dan lebih jeli lagi dalam melihat peluang pasar.
Daftar Pustaka
http://en.wikipedia.org/wiki/Decision_support_system
Conolly,Thomas dan Begg Carolyn(2002). Database systems – A Practical
Approach to Design, Implementation and Management, edisi-3. Addison
Wesley Longman.Inc., USA
Fatansyah(2002). Buku Teks Ilmu Komputer – Basis Data, cetakan-4.
Informatika
Inmon, W.H.(2002). Building the Data Warehouse,edisi-3. Wiley Computer
Publishing.
Kimball,R.,Merz, R (1998). The Data Warehouse Lifecycle Toolkit. Expert
Methods for Designing, Developing and Deploying Data Warehouses. Wiley
Computer Publishing, Canada.
Mcleod,Raymond(1996). Sistem Informasi Manajemen, Jilid-1. Terjemahan
Teguh,H. PT. Prenhallindo, Jakarta.
Nolan,Sean And Huguelet, Tom(2000).Microsoft SQL Server 7.0 Data
Warehousing Training Kit. Microsoft Prees, USA
Poe, Vidette(1998). Building Data Warehouse for Decision Support, edisi-2.
Prentice Hall.
-----------------------
Time Variancy
Operasional
Data Warehouse
Snapshot data:
- time horizon :5-10 years
- key contain an element of time
- once snapshot is created, record cannot be update
Current value data:
- time horizon :60-90 days
- key may or may not have an element of time
- data can be update
Non Volatile Data Warehouse
Sumber :
http://www.cait.wustl.edu/papers/prism/vol1_no1/nonvolatile/home.html
Time Variance Data Warehouse
Sumber :
http://www.cait.wustl.edu/papers/prism/vol1_no1/time_variance/home.html
Integrasi Data Warehouse
Sumber :
http://www.cait.wustl.edu/papers/prism/vol1_no1/integration/home.html
M
E
T
A
D
A
T
A
Bentuk data warehouse fungsional
Bentuk data warehouse terpusat
